Importación de Librearias¶
En primer lugar, se cargan las librerias necesarias para poder realizar el correspondiente análisis de dados:
# Importamos pandas y numpy para poder trabajar con el dataframe
import pandas as pd
import numpy as np
# importamos las siguientes librerias para poder hacer los graficos
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
# uso pandas_profiling para hacer un anlisis exploratorio rapido automaticamente
from pandas_profiling import ProfileReport
Carga de Los Datos¶
A continuación cargamos la base de datos a estudiar:
# Importamos la base de datos
NBA = pd.read_csv('../Data/01_raw/all_seasons.csv')
NBA
Diccionario de las variables:¶
player_name: Nombre del jugador
team_abbreviation: Nombre abreviado del equipo en el que jugo el juagodr (al final de la temporada)
age: Edad del jugador
player_height: Altura del jugador en cm
player_weight: Peso del jugador en kg
college: Nombre de la universidad que asisitio el jugador
country: Nombre del pais en el que nacio el jugador
draft_year: Año en que se seleccionó al jugador
draft_round: Ronda de draft que eligió al jugador
draf_number: El número en el que se eligió al jugador en su ronda de draft
gp: Juegos jugados durante la temporada
pts: Número medio de puntos anotados
reb: Número medio de rebotes capturados
ast: Número medio de asistencias distribuidas
net_rating:Diferencia de puntos del equipo por cada 100 posesiones mientras el jugador está en la cancha
oreb_pct: Porcentaje de rebotes ofensivos disponibles que el jugador agarró mientras estaba en el piso
dreb_pct:Porcentaje de rebotes defensivos disponibles que el jugador agarró mientras estaba en el piso
usg_pct: Porcentaje de jugadas de equipo utilizadas por el jugador mientras estaba en la cancha
ts_pct: Medida de la eficiencia de tiro del jugador que tiene en cuenta los tiros libres, tiros de 2 y 3 puntos
ast_pct: Porcentaje de puntos de campo de compañeros de equipo que el jugador ayudó mientras estaba en la cancha
season: Temporada de la NBA
Análisis Exploratorio con Pandas_Profiling¶
Generamos, con ayuda de ProfileReport, una breve visualizacion de los datos para realizar un primer EDA
profiling = ProfileReport(NBA, title = "EDA Jugadores NBA")
profiling
VISUALIZACIÓN Y TRANSFORMACIÓN DE DATOS¶
- Se calcula el rango del dataframe para saber con qué dimensiones tiene.
NBA.shape
Se obtiene un resultado de 11145 filas y 22 columnas.
- Se busca el tipo de valor de los datos del dataframe.
NBA.info()
Se obtiene 3 tipos de valores:
- float → 12 valores
- int → 1
- object → 8
Se ve que los tipos de dato estan bien definidos respectivamente como float, int, object
Ahora se busca los posibles datos null aunque a priori se puede ver en la info anterior que no hay null. De todos modos lo comprobamos por si acaso.
NBA.isnull().sum()
A continuación, se eliminan las columnas que no son relevantes para el estudio y se renombra el dataframe con el nombre jugadores
jugadores = NBA.drop(['Unnamed: 0','net_rating','oreb_pct','dreb_pct','usg_pct','ast_pct'], axis=1)
jugadores
Ahora, renombro las columnas para trabajar con el dataframe mejor.
jugadores.columns = ["name",'team','age','height','weight','universuty','country','year_selection','draft_roud','draft_number','games_season','points','rebotes','assists','eficient','season']
jugadores
Se guarda la base de datos modificada
jugadores.to_csv("Jugadores_NBA.csv")
Análisis Estadístico de Datos¶
A continuación, se genera una tabla estadística donde se recoge la información estadística más relevante.
jugadores.describe(include='all')
Histograma¶
Es una representacion gráfica de una variable en forma de barras que indican la frecuencia mediante una distribución de los datos
jugadores.hist(figsize = (10, 12), bins = 30, xlabelsize = 10, ylabelsize =10);
# figsize: tamaño de la figura
# bins: numero de rayas de las gráficas
# labelsize: tamaño del titulo de las graficas tanto las x como las y
Correlaciones¶
La correlación es la proporcionalidad y la relación lineal que existe entre distintas variables. Si los valores de una variable se modifican de manera sistemática con respecto a los valores de otra, se dice que ambas variables se encuentran correlacionadas.
En primer lugar, se calculara la matriz de correlaciones y posteriormente se realizará el mapa de calor para visualizar mejor las correlaciones
- #### Matriz de correlaciones
Se trata de una matriz simétrica donde la diagonal principal son todos 1 puesto que es la correlacion de una variable con ella misma.
jugadores.corr()
- #### Mapa de calor (heatmap)
Es un gráfico en el que se identifica, mediante colores y de forma mas intuitiva, la visualización de la correlación entre variables.
# Se genera una mascara en la parte superior para que no aparezca
mask = np.triu(np.ones_like(jugadores.corr(), dtype = bool))
# np.triu(): Devuelve copia de una matriz solo con los elementos debajo de la diagonal.
# np.ones_like(): Devuelve unos
# Tamaño de la figura
f, ax = plt.subplots(figsize=(20,10))
# Heatmap
sns.heatmap(jugadores.corr(), annot = True , fmt = '.2f', mask = mask, square = True, linewidths = .8, cmap = 'jet');
# annot: para que aparezcan los valores de correlaciones. por defecto es false
# fmt: cuantos decimales queremos que aparezcan '.nf' donde n es el valor que quereamos de decimales
# mask = mask: para que los datos no aparezcan dond ela mascara sea True
# square = true: para generarse los cuadrados
# linewidht: para general el ancho entre los cuadrados
Como se puede observar, la mayor correlacion se obtiene al relacionar las variables peso y altura. Es lógico porque cuanto mayor sea la altura de un jugador, mayor peso tendrá.
Por el contrario, practicamente no existe correlacion entre los juego por temporada y el peso, dado que jugar mas o jugar menos partidos en una temporada no viene dado por el peso del jugador.
Análisis de las variables altura y peso¶
- Número de alturas
jugadores.height.unique()
- Media de altura
jugadores.height.mean() # aproximadamente la altura media son 2 m
- Número de pesos
# numero de pesos
jugadores.weight.unique()
- Media de peso
jugadores.weight.mean() # existe una media de 100 kg por jugador
# Dibujamos, con la funcion lmplot de la libreria sns, la relacion entre altura y peso de los jugadores
# hay que incluir height para indicar el tamaño, sino no funciona
sns.lmplot(x = 'height', y = 'weight', data = jugadores, height = 10);
Como se observa en plot anterior, existe una correlación positia por la altura cada 10 centimetros y el peso. Es decir, cada jugador que aumenta su altura en 10cm, aumenta su peso 20kg
Análisis por temporada¶
- Juagadores por temporada
# Se utiliza value_counts() para que devuelva el numero de jugadores de cada temporada
temporada = jugadores.season.value_counts()
temporada
Se obtiene la lista de temporadas ordenada por número de jugadores. Para visualizarlo mejor realizamos un plot donde se podra comparar mas facilmente.
plt.figure(figsize=(20,6))
sns.countplot(data=jugadores, x = "season")
plt.show()
La temporada con mayor número de jugadores es 2017-2018 con 540 jugadores. Por el contrario, la temporada 2002-2003 tiene el menor número de juagdores, 428 jugadores
Seguidamente se analiza, con ayuda de un boxplot, los puntos generados de cada temporada.
# Generamos el tamaño de la figura
f, ax = plt.subplots(figsize=(40, 10))
# Dibujamos nuestro boxplot
sns.boxplot(x = 'season', y = 'points', data = jugadores, width = 0.75, palette = "Spectral");
# Añadimos un título
plt.title('');
En el gráfico anterior se observa que no hay mucha variabilidad entre temporadas, manteniendose aproximadamente los datos. Se destaca en la temporada 2000-2001 y 2005-2006 que hay mas outlayer respecto al resto. Por lo general, en cada temporada los datos se encuentran concentrados en aquellos valores mas bajos, mientras que los valores mas altos de la puntacion tienen una dispersion mas alta.
Por ultimo, comparamos las cifras de rebotes, asistencias y puntos en función de la edad de los jugadores.
fig, ax = plt.subplots(nrows = 1, figsize=(25, 5))
ax = sns.lineplot(x='age',y='rebotes',data=jugadores, label='rebotes')
ax = sns.lineplot(x='age',y='assists',data=jugadores, label='assists')
ax = sns.lineplot(x='age',y='points',data=jugadores, label='points')
ax.set(ylabel = 'Cantidad')
ax.legend()
plt.show()
A medida que aumenta la edad hasta los 28 años las cifras de los jugadores en las tres variables tienden al alza. a partir de esta edad las cifras se ven reducidas. esto es logico porque a mas edad a apartir de los 28 años, el deporte de elite tiene una exigencia que es mas dificil de soportar para jugadores que superan esa edad
Conclusiones¶
Se concluye que el peso y la altura de un jugador no representa una caracteristica significativa de cara a anotar más puntos, puesto que hay axpectos del juego que permiten a los jugadores ser mas eficiente a pesar de sus condiciones fisicas. Por el contrario, la edad es un factor relevante a la hora de medir la eficacia de un jugador, puesto que al paso de la edad el jugador pierde condiciones para mantener la competitivdad.